時間序列的數據挖掘研究.pdf

1、隨著計算機、網絡和通訊等信息技術和數據存儲技術的迅速發(fā)展，人們獲取和存儲的數據急劇增長，出現了“數據泛濫，知識貧乏”的現象。傳統(tǒng)的數據庫技術和數據查詢方法由于不能有效的組織和處理這些海量數據，已經不能滿足人們對隱含在數據中的知識的渴求，數據挖掘技術隨之應運而生，并得到了迅速的發(fā)展。數據挖掘時數據庫、人工智能、模式識別和統(tǒng)計分析等學科相互交叉、結合的前沿性研究領域。它的出現為人們有效地從海量數據中得到有用的信息和知識提供了有力的手段。

2、 目前計算機上存儲了越來越多的時序數據信息，作為數據的重要存儲和表現形式，時間序列數據廣泛的存在于各個領域中，例如證券公司的大量股票信息，商場的售貨中大量的銷售信息，人造衛(wèi)星觀測的氣象信息和廣泛的以時間推移存儲的數據等信息。時間序列的數據挖掘時數據挖掘中的一個重要的領域，近年來越來越引起人們的重視。時間序列的數據挖掘幫助人們獲得時序數據中隱含的、有價值的信息和知識。例如電力負荷系統(tǒng)時間序列數據中就包含著關于電力負荷特征的信息，股票時

3、間序列中包含著有關股票規(guī)律的潛在信息。因此，從時間序列數據中挖掘潛在的有用的知識具有重要的理論和實踐意義。 本文比較深入地研究了時間序列的數據挖掘問題，對其挖掘方法進行了歸納和整理。在介紹目前時間序列的數據挖掘領域比較經典的一些思想和方法的基礎上，在時間序列的相似性，離群性和趨勢性等方面提出了一些新的思路和方法。本文的主要研究內容下。 1、對時序數據相似性挖掘方法進行了深入的研究。首先介紹了相似性以及歐幾里的距離空間的基

4、本概念，以及目前使用較為廣泛的離散復利葉變換進行時序數據相似性挖掘的基本方法。然后提出了一種基于小波的相似性挖掘算法，這種方法采用了另外的判別函數對序列的相似性進行判別。采用小波變換將數據降維，用盡量小的數據量進行相似性的匹配；同時采用了改進的快速排序法處理排序結果，有效的減少了計算量。此外，本方法對數據相似性分析中存在的幅值以及偏移的情況有很好的去除。 2、對時序數據離群挖掘進行了深入的研究。首先介紹了基于距離的離群挖掘方法以

5、及相關的定義。然后提出了一種基于小波的相似系數離群挖掘算法。這種方法采用了小波變換得到的細節(jié)分量作為分析對象，對數據進行降維處理；計算數據對象間的相似系數進行離群挖掘。同樣，可以使用改進的快速排序方法處理排序結果，也可以有效的減少計算量。 3、對時序數據趨勢挖掘進行了深入的研究。介紹了兩種趨勢挖掘方法。第一部分介紹了基于小波的神經網絡時序數據趨勢挖掘算法。第二部分介紹了基于相似日的時序數據趨勢挖掘算法。本章中重點闡述了基于相似日